Ich erinnere mich noch gut an das erste Mal, als jemand bei Google offen über die internen Herausforderungen von KI in der Suche sprach. Damals war es ein kleiner Einblick, fast beiläufig erwähnt – heute ist das ganze Thema *KI in der Suche* zu einem der zentralen Punkte geworden. Und genau darum drehte sich auch ein Vortrag von **Nikola Todorovic**, dem Director of Software Engineering bei Google Search, den er in Zürich hielt. Später ging er im Podcast *Search Off the Record* noch einmal tiefer darauf ein, wie diese Systeme tatsächlich im Inneren funktionieren – oder zumindest so weit, wie das bei „Black Box“-Modellen eben möglich ist.
Warum Google KI-Systeme so lange isoliert hielt
Wie Nikola erklärte, hatte die Suchmaschine schon lange maschinelles Lernen im Einsatz – aber nie als voll integrierte, durchgehende Lösung. Stattdessen setzte Google die Modelle immer wieder gezielt an einzelnen Stellen ein, sozusagen in kleinen, abgeschlossenen Experimentierfeldern. Das hatte einen ganz pragmatischen Grund: *Transparenz*. Oder besser gesagt – die Sorge, sie zu verlieren. Denn sobald du ein selbstlernendes System in etwas so Komplexes wie die globale Websuche einbaust, wird das Debuggen nahezu unmöglich.
Wie willst du herausfinden, warum ein bestimmtes Ergebnis plötzlich schlechter gerankt wird, wenn selbst die Ingenieure nicht genau wissen, welche Gewichtung das Modell intern verwendet hat? Deswegen blieb KI über viele Jahre hinweg ein **isolierter Bestandteil** der Sucharchitektur – etwa in Funktionen wie SafeSearch, Bildern oder der Erkennung von Spam-Signalen. Diese „geschlossenen Räume“ machen es einfacher, Fehler aufzuspüren und zu beheben, bevor sie unkontrolliert auf andere Bereiche übergreifen.
Aus meiner eigenen Erfahrung in der Machine-Learning-Entwicklung kann ich sagen: Das ist kein Zeichen von Zögerlichkeit, sondern von Verantwortungsbewusstsein. Große Sprach- und Rechenmodelle sind mächtig, aber oft auch unberechenbar. Und diese Unberechenbarkeit in einem System, das täglich Milliarden Anfragen verarbeitet, wäre ein Albtraum.
Von linearen Modellen zu tiefen neuronalen Netzwerken
Früher basierten viele KI-Komponenten auf **linearen Modellen**. Diese waren leicht zu interpretieren: Wenn du den Input kanntest, konntest du das Gewicht bestimmen und daraus relativ leicht verstehen, warum das System zu einem bestimmten Ergebnis kam. Doch mit dem Siegeszug von **Transformern**, angefangen bei BERT über MUM bis hin zu moderneren generativen Systemen, änderte sich das Bild völlig. Diese Modelle sind so komplex, dass ihre internen Prozesse praktisch unsichtbar werden – ein Phänomen, das man gern die *Black-Box-Natur* nennt.
Google entschied sich daher, auch diese neuen Modelle in Schichten („Layers“) über die bestehende Ranking-Architektur zu legen, anstatt sie tief in die Kernlogik einzubauen. Jede Schicht war also ein eigener, klar abgetrennter Mechanismus, der ein Signal beisteuert, aber nicht das ganze System ersetzt. Dadurch konnte das Team Veränderungen testen, ohne die Stabilität der Suchergebnisse insgesamt zu gefährden.
Dieser vorsichtige Aufbau erklärt auch, warum Googles KI-Funktionen lange wirkten, als wären sie nur „angeklebt“ und nicht richtig integriert. Aber der Grund dafür war technische Kontrolle, kein Mangel an Ambition.
AI Overviews – ein zusätzlicher Blickwinkel auf die Suche
Eines der bekanntesten Beispiele neuerer Entwicklungen sind die sogenannten **AI Overviews**. Im Kern bleibt es eine ganz normale Google-Suche – mit Index, Ranking und allen Signalsystemen, die seit Jahren funktionieren. Nur läuft obenauf eine zusätzliche Ebene, die aus mehreren sogenannten „fan-out queries“ besteht. Das bedeutet: Die ursprüngliche Nutzeranfrage wird in mehrere Teilfragen zerlegt, die dann jeweils ausgeführt werden. Die Ergebnisse dieser Einzelabfragen fasst das KI-System wiederum in einer zusammenhängenden, zusammengefassten Darstellung zusammen.
Das wirkt nach außen hin wie Magie – du erhältst direkt eine logisch strukturierte Antwort, statt eine bunte Liste von Links. Tatsächlich handelt es sich aber um ein Zusammenspiel verschiedener Komponenten: Der klassische Suchalgorithmus liefert weiterhin das Rohmaterial, die **AI Overview** formt daraus die narrative Antwort. Oder, wie Nikola es ausdrückte: Sie lebt auf dem Fundament der alten Infrastruktur, aber mit einem eigenen „Kopf“, der unabhängig denkt.
Ich persönlich finde das eine spannende Zwischenlösung. Man könnte sagen, es ist Googles Versuch, die traditionelle Index-Suche mit der modernen generativen KI zu verheiraten, ohne gleich eine komplette Neuprogrammierung des Such-Ökosystems zu riskieren.
Was bedeutet das praktisch?
Wenn du eine Suchanfrage stellst, etwa „Wie kann ich einen Apfelbaum im Herbst richtig schneiden?“, startet im Hintergrund eine Reihe paralleler Suchläufe. Ein System sucht nach Grundlagen, ein anderes nach spezifischen Anleitungen, wieder eines nach verwandten Themen. Die **AI Overview** nimmt all diese Ergebnisse, vergleicht sie und bastelt daraus den erklärenden Text. Dabei läuft aber alles auf unterschiedlichen Servern und Modulen, die nur über feste Schnittstellen miteinander sprechen. Diese architektonische Trennung sorgt dafür, dass Fehler in einem System – zum Beispiel bei der Texterzeugung – nicht gleich das Ranking-Backend gefährden.
AI Mode – die nächste Entwicklungsstufe?
Ein Stück weiter geht der sogenannte **AI Mode**, den manche Nutzer bereits in Tests erlebt haben. Während AI Overviews noch stark auf den klassischen Suchprozess aufbauen, ist AI Mode fast schon eine eigene Plattform. Hier geht es nicht mehr nur um Antworten, sondern um **Unterhaltungen** – längere Dialoge, Nachfragen, Kontextwechsel. Google kombiniert also Suchtechnologie mit konversationeller KI.
Technisch betrachtet hat AI Mode noch Verbindung zu Search – es nutzt ebenfalls *fan-out queries*, zieht also Ergebnisse aus dem Index und bietet weiterhin Quellenlinks oder Zitate an. Aber das Fundament darunter wurde komplett neu konzipiert, weil das System viel mehr Zwischenschritte, Session-Verläufe und laufende Rechenprozesse braucht. Kurz gesagt: AI Mode läuft auf derselben Datenbasis wie Search, aber auf einer anderen technischen Infrastruktur. So etwas ist wie ein neues Haus, das auf dem alten Fundament steht, aber eigene Stromleitungen und Räume besitzt.
Ich vermute, dass Google hier zwei Welten austestet. Einerseits die konservative KI-Integration in Form von Overviews, andererseits den mutigen Schritt hin zu dialogischer KI, der langfristig vielleicht das Suchparadigma komplett verändern könnte. Und doch bleibt auffällig, dass beide Systeme – trotz all ihrer Eigenständigkeit – weiterhin auf Suchsignale achten. Es sind keine autarken Chatbots, sondern hybride Tools zwischen Suche und Dialog.
Der schwierige Balanceakt: Innovation vs. Kontrolle
Was mich an Nikolas Ausführungen besonders beeindruckt hat, war die Offenheit, mit der er über Grenzen sprach. Er gab zu, dass niemand bei Google eine „magische Lösung“ dafür hat, wie KI, Suche und Nutzerinteressen perfekt harmonieren können. Es gibt keine Wunderformel – nur die Einsicht, dass **Wert für den Nutzer** das entscheidende Kriterium bleibt.
Das klingt im ersten Moment simpel, aber es ist eigentlich radikal ehrlich. In einem Umfeld, in dem viele glauben, KI könne alles automatisieren, erinnert das an etwas Grundlegendes: Ohne sinnvollen Output ist selbst das beste Modell nutzlos. Nikola appellierte daher, dass Webseitenbetreiber und SEOs sich mit den neuen Tools vertraut machen sollten, statt sie zu fürchten. Technik ist kein Feind, aber sie verlangt Anpassung.
Ich finde diesen Gedanken wichtig – gerade in Zeiten, in denen viele sich fragen, ob die klassische Suchmaschinenoptimierung bald ausstirbt. Die Antwort ist: nein, aber sie verändert sich. KI bringt nicht das Ende von SEO, sondern zwingt uns, **besser zu werden**. Inhalte, die echten Mehrwert bieten, gewinnen in jeder Ära, egal ob maschinell oder menschlich bewertet.
Ein gesunder Pragmatismus
Wenn du das auf deiner eigenen Website oder deinem Projekt umsetzen willst, lohnt es sich, die neuen KI-Funktionen auch aus Anwendersicht zu erkunden. Beobachte, wie Google Inhalte zusammenfasst, welche Quellen zitiert werden, welche Fragen typischerweise für AI Overviews ausgelöst werden. Daraus lassen sich Muster ableiten, die dir helfen, deine Inhalte „AI-kompatibel“ zu gestalten – nicht im Sinne von Tricksen, sondern Verständnis.
Mach dir bewusst: Diese Systeme sind keine Feinde des offenen Webs, auch wenn sie sich manchmal so anfühlen. Tatsächlich greifen sie weiterhin auf denselben Index und dieselben Dokumente zurück. Das bedeutet, gute Inhalte werden gebraucht – vielleicht nicht immer direkt im Klick, aber indirekt in der Antwortstruktur. Und das kann langfristig sogar neue Wege eröffnen, Nutzer zu erreichen.
Die Lehre aus der Geschichte: Evolution, keine Revolution
Wenn man die Entwicklung der letzten Jahre anschaut, zieht sich eine klare Linie: Jede große Änderung in der Google-Suche wurde zunächst **isoliert getestet**, dann Schritt für Schritt eingeführt. SafeSearch, RankBrain, BERT, MUM – sie alle begannen als eigene Inseln, bevor sie ins größere System integriert wurden. Dasselbe Muster sehen wir jetzt wieder, nur dass die Dimension diesmal gewaltiger ist.
Ich mag diesen schrittweisen Ansatz. Sicher, er ist nicht so spektakulär wie das plötzliche Umschalten auf eine vollständig KI-gesteuerte Welt. Aber er bewahrt Stabilität – und die ist bei Milliarden Nutzern das höchste Gut. Dass Google diese Strategie beibehält, zeigt, dass sie aus den letzten Jahrzehnten gelernt haben.
Für uns im Digitalbereich bedeutet das: Wir haben Zeit, uns anzupassen. Kein Grund für Panik, wohl aber ein Grund zur Neugier. Wer jetzt versteht, wie diese Systeme funktionieren und wie sie Inhalte gewichten, wird in der nächsten Suchgeneration nicht untergehen.
Ein persönliches Fazit
Was ich aus diesem ganzen Gespräch mitnehme, ist weniger technischer Natur, sondern eher philosophisch: **KI ist nicht das Ziel, sondern ein Werkzeug**. Sie verändert die Form der Suche, nicht deren Sinn. Und wer Inhalte schafft – sei es Text, Video, Code oder Bild – sollte sich fragen, welchen Beitrag er im größeren Wissenskreislauf leistet. Das mag pathetisch klingen, aber genau darin liegt der Unterschied zwischen überflüssigen und relevanten Ergebnissen.
Ich glaube, Google weiß genau, dass der Erfolg dieser neuen Systeme nicht allein an technischen Kennzahlen hängt, sondern an Vertrauen. Und Vertrauen entsteht nur, wenn Nutzer merken, dass die künstliche Intelligenz ihnen nicht etwas aufzwingt, sondern etwas **nützlich macht**. In diesem Sinne ist das ganze Projekt, so hochtrabend es klingt, auch ein Test unserer eigenen Lernfähigkeit als Nutzer, Autoren und Entwickler.
Manchmal, wenn ich die Diskussionen in der Branche verfolge, spüre ich denselben Nervenkitzel wie damals Anfang der 2000er, als SEO noch Wildwest war. Nur dass die Fragen heute komplexer sind. Und vielleicht ist das gar nicht schlecht – immerhin zwingt uns die KI, das zu tun, was Technologie immer von uns verlangt hat: neu denken, statt nur reagieren.
